《表2 标准数据集：基于极限学习机的船舶柴油机故障诊断》
提示：宽带有限、当前游客访问压缩模式
为验证本文算法有效性，将MAF-DMK-ELM与其他相关的极限学习机算法在典型的UCI标准分类数据集（如表2所示）上进行比较。
| 图表编号 | XD0090173000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2019.08.01 |
| 作者 | 吴建波、王春艳、洪华军、方伟 |
| 绘制单位 | 江南大学物联网工程学院、中国船舶科学研究中心软件工程中心、中国船舶科学研究中心软件工程中心、江南大学物联网工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 学习数据集：基于小波包近似熵和VPRS的轴承故障诊断》2020.11.01
- 《表4 RELM诊断结果：基于NSGA2优化正则极限学习机的变压器油色谱故障诊断》2020.09.16
- 《表4 综合评价指标体系：基于改进深层极限学习机的故障诊断方法》2020.12.01
- 《表4 拌制过程：基于改进深层极限学习机的故障诊断方法》2020.12.01
- 《表3 数据集划分：基于深度学习的观光车轴承故障诊断》2020.11.25
- 《表5 数据集3检测结果：基于深度序列加权核极限学习的入侵检测算法》2020.03.01
- 《表4 数据集2检测结果：基于深度序列加权核极限学习的入侵检测算法》2020.03.01
- 《表3 数据集1检测结果：基于深度序列加权核极限学习的入侵检测算法》2020.03.01
- 《表2 仿真诊断结果：基于自适应遗传优化RBF神经网络的船舶柴油机故障诊断》2019.07.01
- 《表4 故障诊断测试集：基于小波包-AR谱和深度学习的轴承故障诊断研究》2019.06.01
- 《表5 主机设定转速：基于极限学习机的船舶柴油机故障诊断》2019.08.01
- 《表1 基核函数：基于极限学习机的船舶柴油机故障诊断》2019.08.01
- 《表6 船舶柴油机故障诊断结果》2019.08.01
- 《表5 模型性能对比：基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断》2019.07.01
- 《表1 模型性能比较：基于多尺度特征能量-核极限学习机的双循环流化床气流堵塞故障智能诊断》2019.07.01
- 《表2 实验数据描述：基于多尺度排列熵与双核极限学习机的滚动轴承故障诊断方法》2019.05.01
- 《表1 数据集特征描述：基于混合核极限学习机的多标签学习研究》2019.04.01
- 《表1 试验方案列表：同步压缩小波与极限梯度提升树融合的柴油机失火故障诊断》2019.02.10
- 《表3 分类器诊断性能表：基于AVMD与极限学习机的传动箱故障诊断》2019.04.28
- 《表1 水泵故障数据集：基于超限学习机的煤矿井下水泵故障诊断研究》2019.02.01